論文の概要: ReMark: Receptive Field based Spatial WaterMark Embedding Optimization using Deep Network

• arxiv url: http://arxiv.org/abs/2305.06786v1
• Date: Thu, 11 May 2023 13:21:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 14:52:11.950760
• Title: ReMark: Receptive Field based Spatial WaterMark Embedding Optimization using Deep Network
• Title（参考訳）: ReMark:ディープネットワークを用いた受容場に基づく空間水マーク埋め込み最適化
• Authors: Natan Semyonov, Rami Puzis, Asaf Shabtai, Gilad Katz
• Abstract要約: 難解な透かしを埋め込むための新しいディープラーニングアーキテクチャについて検討する。 提案手法は, 衝突歪みを含む透かしの一般的な歪みに対して頑健である。
• 参考スコア（独自算出の注目度）: 23.357707056321534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Watermarking is one of the most important copyright protection tools for digital media. The most challenging type of watermarking is the imperceptible one, which embeds identifying information in the data while retaining the latter's original quality. To fulfill its purpose, watermarks need to withstand various distortions whose goal is to damage their integrity. In this study, we investigate a novel deep learning-based architecture for embedding imperceptible watermarks. The key insight guiding our architecture design is the need to correlate the dimensions of our watermarks with the sizes of receptive fields (RF) of modules of our architecture. This adaptation makes our watermarks more robust, while also enabling us to generate them in a way that better maintains image quality. Extensive evaluations on a wide variety of distortions show that the proposed method is robust against most common distortions on watermarks including collusive distortion.
• Abstract（参考訳）: ウォーターマーキングはデジタルメディアにとって最も重要な著作権保護ツールの1つである。 最も難しいウォーターマーキングのタイプは、データに識別情報を埋め込み、後者の本来の品質を保ちながら、知覚できないものである。 その目的を達成するために、ウォーターマークは、その完全性を損なうことを目標とする様々な歪みに耐える必要がある。 本研究では,知覚不能な透かしを埋め込むための,新しい深層学習に基づくアーキテクチャについて検討する。 アーキテクチャ設計を導く重要な洞察は、透かしの次元とアーキテクチャのモジュールの受容的フィールド(RF)のサイズを関連付ける必要があることである。 この適応により、透かしがより堅牢になり、画像の品質をより良く維持できるようになります。 様々な歪みに対する広範囲な評価により, 提案手法は, 衝突歪みを含む透かしの最も一般的な歪みに対して頑健であることが示された。

関連論文リスト

• Certifiably Robust Image Watermark [57.546016845801134]
  ジェネレーティブAIは、偽情報やプロパガンダキャンペーンの促進など、多くの社会的懸念を提起する。 ウォーターマークAI生成コンテンツは、これらの懸念に対処するための重要な技術である。 本報告では, 除去・偽造攻撃に対するロバスト性保証を保証した最初の画像透かしを提案する。
  論文  参考訳（メタデータ） (2024-07-04T17:56:04Z)
• Evaluating Durability: Benchmark Insights into Multimodal Watermarking [36.12198778931536]
  画像およびテキスト生成モデルにより生成された透かし付きコンテンツの、一般的な実世界の画像破損やテキスト摂動に対する堅牢性について検討する。 今後,より堅牢な透かし技術の開発が進む可能性がある。
  論文  参考訳（メタデータ） (2024-06-06T03:57:08Z)
• WAVES: Benchmarking the Robustness of Image Watermarks [67.955140223443]
  WAVES(Watermark Analysis Via Enhanced Stress-testing)は、画像透かしの堅牢性を評価するためのベンチマークである。 我々は,検出タスクと識別タスクを統合し,多様なストレステストからなる標準化された評価プロトコルを確立する。 我々はWAVESを,ロバストな透かしの将来の開発のためのツールキットとして想定する。
  論文  参考訳（メタデータ） (2024-01-16T18:58:36Z)
• TrustMark: Universal Watermarking for Arbitrary Resolution Images [21.74309490023683]
  非受容性デジタル透かしは著作権保護、誤情報防止および責任ある生成GANにおいて重要である。 本稿では,新しい設計のアーキテクチャを用いたGANベースの透かし手法を提案し,透かし除去法であるTrustMark-RMを提案する。 本手法は任意の符号化画像からなる3つのベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-30T07:03:36Z)
• T2IW: Joint Text to Image & Watermark Generation [74.20148555503127]
  画像と透かし(T2IW)への共同テキスト生成のための新しいタスクを提案する。 このT2IWスキームは、意味的特徴と透かし信号が画素内で互換性を持つように強制することにより、複合画像を生成する際に、画像品質に最小限のダメージを与える。 提案手法により,画像品質,透かしの可視性,透かしの堅牢性などの顕著な成果が得られた。
  論文  参考訳（メタデータ） (2023-09-07T16:12:06Z)
• Adaptive Blind Watermarking Using Psychovisual Image Features [8.75217589103206]
  本稿では,カバー画像の異なる部分に埋め込まれた透かしの強度を適応的に決定する手法を提案する。 また, 提案手法は, 異なる種類の共通透かし攻撃において, 組込みペイロードを効果的に再構築できることを示す。
  論文  参考訳（メタデータ） (2022-12-25T06:33:36Z)
• Watermarking Images in Self-Supervised Latent Spaces [75.99287942537138]
  我々は,自己教師型アプローチに照らして,事前学習した深層ネットワークに基づく透かし手法を再検討する。 我々は、マーク時間におけるデータの増大を利用して、マークとバイナリのメッセージをその潜在空間に埋め込む方法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T15:52:46Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• Robust Watermarking using Diffusion of Logo into Autoencoder Feature Maps [10.072876983072113]
  本稿では,透かしのためのエンドツーエンドネットワークを提案する。 画像の内容に基づいて,畳み込みニューラルネットワーク(CNN)を用いて埋め込み強度を制御する。 異なる画像処理攻撃は、モデルの堅牢性を改善するためにネットワーク層としてシミュレートされる。
  論文  参考訳（メタデータ） (2021-05-24T05:18:33Z)
• Fine-tuning Is Not Enough: A Simple yet Effective Watermark Removal Attack for DNN Models [72.9364216776529]
  我々は異なる視点から新しい透かし除去攻撃を提案する。 我々は、知覚不可能なパターン埋め込みと空間レベルの変換を組み合わせることで、単純だが強力な変換アルゴリズムを設計する。 我々の攻撃は、非常に高い成功率で最先端の透かしソリューションを回避できる。
  論文  参考訳（メタデータ） (2020-09-18T09:14:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。